YOLO-V5零基础入门：无需深度学习背景，快速搭建检测环境
你是不是也对“目标检测”这个听起来很酷的技术感到好奇，但又觉得它门槛太高，需要复杂的数学和编程知识？别担心，今天这篇文章就是为你准备的。我们将一起从零开始，搭建一个能“看懂”图片的YOLO-V5环境，整个过程就像搭积木一样简单，不需要任何深度学习背景。
想象一下，你拍一张照片，电脑就能自动圈出照片里的猫、狗、汽车甚至行人。这就是YOLO-V5能做的事情。它就像一个视力超群的“电子眼”，能在一瞬间识别出图像中的所有物体。而我们要做的，就是把这个“电子眼”请到你的电脑里，让它开始工作。
本文不会涉及任何复杂的公式和理论，我们只关注一件事：如何用最简单、最直接的方法，让YOLO-V5在你的电脑上跑起来。无论你是学生、开发者，还是对AI感兴趣的爱好者，跟着下面的步骤，你都能在30分钟内完成环境搭建，并看到第一个检测结果。
1. 准备工作：认识你的“工具箱”
在开始动手之前，我们先快速了解一下需要准备什么。整个过程就像组装一台电脑，你需要准备好所有零件（软件），然后按照说明书（本文）把它们正确连接起来。
1.1 你需要什么？
- 一台电脑：Windows、macOS 或 Linux 系统都可以。建议至少有8GB内存。
- 网络连接：用于下载必要的软件包。
- 一点点耐心：跟着步骤走，遇到问题很正常，我们都有解决方案。
1.2 什么是YOLO-V5？
简单来说，YOLO-V5是一个已经训练好的“大脑”。我们不需要从零开始教它认识世界（那需要海量图片和昂贵的显卡），而是直接使用别人已经训练好的成果。这个“大脑”能识别80多种常见物体，比如人、车、动物、家具等。
它的全称是“You Only Look Once”，意思是“只看一次”。传统的检测方法可能需要反复扫描图片，而YOLO-V5只需要“看一眼”就能找出所有物体，速度非常快，这也是它如此受欢迎的原因。
2. 第一步：安装Python和必备工具
Python是我们的“工作语言”，而pip是安装各种工具包的“应用商店”。让我们先把它们准备好。
2.1 安装Python
如果你不确定电脑里有没有Python，或者版本太旧，建议重新安装。
- 访问官网：打开浏览器，搜索“Python官网下载”。
- 下载安装包：找到对应你电脑系统（Windows/macOS）的安装程序。务必勾选“Add Python to PATH”这个选项，这能让你在命令行里直接使用Python。
- 运行安装：双击下载的安装包，一路点击“Next”或“Install”即可完成。
安装完成后，验证一下：
- Windows用户：按下
Win + R，输入cmd回车，打开“命令提示符”。 - macOS/Linux用户：打开“终端”应用。
在打开的黑窗口里输入以下命令，然后回车：
python --version如果显示类似Python 3.9.13的版本号，说明安装成功。
2.2 升级pip工具
pip是Python的包管理器，我们需要确保它是最新版本。在刚才的命令行窗口里输入：
python -m pip install --upgrade pip等待它自动更新完成。这个过程可能会从网络下载一些文件，请保持网络畅通。
3. 第二步：获取YOLO-V5的“大脑”和代码
现在，我们要把YOLO-V5的核心代码和已经训练好的模型“大脑”下载到本地。
3.1 下载代码仓库
YOLO-V5的代码由一家叫Ultralytics的公司维护，并开源在GitHub上。我们通过一个叫git的工具来下载。如果你没有安装git，可以直接从GitHub网站下载ZIP压缩包，但用git更方便。
在命令行里，导航到你想要存放项目的文件夹（比如桌面），然后执行：
git clone https://github.com/ultralytics/yolov5 cd yolov5- 第一行命令
git clone会把所有代码下载到一个名为yolov5的新文件夹里。 - 第二行命令
cd yolov5是进入这个文件夹，准备后续操作。
如果网络较慢或git命令失败，别急。你可以直接打开浏览器，访问https://github.com/ultralytics/yolov5，点击绿色的“Code”按钮，选择“Download ZIP”。下载后解压，并在命令行里进入解压后的文件夹即可。
3.2 安装所有依赖的“零件”
YOLO-V5的运行需要很多其他Python库的支持，比如处理图片的OpenCV、画图的Matplotlib等。幸运的是，作者已经把这些依赖项写进了一个叫requirements.txt的文件里。我们只需要一条命令就能全部安装。
确保你的命令行当前在yolov5文件夹内，然后输入：
pip install -r requirements.txt这个命令会读取requirements.txt文件，并自动安装里面列出的所有库。这个过程可能需要几分钟，请耐心等待。
国内网络加速小技巧：如果下载速度很慢，可以尝试使用国内的镜像源。将上面的命令改为：
pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple/
4. 第三步：运行你的第一个检测程序！
环境搭建完毕，最激动人心的时刻来了——让我们看看YOLO-V5到底能做什么。
4.1 使用官方示例图片测试
YOLO-V5项目里自带了几张示例图片。我们用最简单的一条命令来测试整个流程是否通畅。
在yolov5文件夹下的命令行中，输入：
python detect.py --source data/images --weights yolov5s.pt --conf 0.25这条命令在做什么？
python detect.py：运行检测脚本。--source data/images：告诉程序，要去检测data/images这个文件夹里的所有图片。--weights yolov5s.pt：指定使用yolov5s.pt这个预训练模型（“大脑”）。这是最小的一个模型，速度快，适合初次测试。程序会自动下载这个模型文件（约14MB）。--conf 0.25：设置置信度阈值。只有模型认为识别准确度超过25%的物体，才会被框出来。你可以调高（如0.5）来减少误检，或调低来发现更多物体。
执行后你会看到什么？命令行会滚动很多信息，显示模型加载、图片处理的过程。最后，你会看到类似这样的结果：
image 1/2 /path/to/zidane.jpg: 640x480 2 persons, 1 tie, 1 sports ball, 57.3ms image 2/2 /path/to/bus.jpg: 640x480 4 persons, 1 bus, 89.1ms Speed: 2.0ms pre-process, 57.3ms inference, 1.0ms NMS per image at shape (1, 3, 640, 480) Results saved to runs/detect/exp这表示检测完成了！它识别出了图片中的人、领带、球和公交车。所有带检测框的结果图片，都保存在了rolov5/runs/detect/exp这个新生成的文件夹里。快去打开看看效果吧！
4.2 试试检测你自己的图片
用自己的图片测试更有趣。有两种方法：
方法一：命令行指定图片路径假设你有一张名为my_cat.jpg的图片放在桌面上，命令可以这样写（注意替换成你的实际路径）：
python detect.py --source /Users/YourName/Desktop/my_cat.jpg --weights yolov5s.pt方法二：把图片放到指定文件夹更简单的方法是，把你自己的图片（支持jpg, png等格式）复制或拖拽到yolov5/data/images文件夹里，然后再次运行最初的测试命令，它就会一起处理了。
5. 第四步：探索更多玩法
基础功能跑通后，你可以尝试YOLO-V5更强大的能力。
5.1 使用不同的模型
yolov5s.pt只是模型家族中的“小个子”，还有更大更强的兄弟：
- yolov5n.pt： Nano，极小，速度最快，精度稍低。
- yolov5s.pt： Small，小，平衡了速度和精度（默认）。
- yolov5m.pt： Medium，中。
- yolov5l.pt： Large，大。
- yolov5x.pt： XLarge，超大，精度最高，速度最慢。
你可以通过更换--weights参数来使用它们，例如：
python detect.py --source data/images --weights yolov5m.pt首次使用新模型时同样会自动下载。
5.2 进行实时摄像头检测
想让YOLO-V5实时分析你的摄像头画面吗？非常简单。将--source参数改为0（通常代表电脑自带的摄像头）：
python detect.py --source 0 --weights yolov5s.pt一个窗口会弹出，显示摄像头实时画面以及识别出的物体框。按键盘上的q键可以退出。
5.3 检测视频文件
检测一个视频文件，并输出带标注结果的新视频：
python detect.py --source path/to/your/video.mp4 --weights yolov5s.pt处理后的视频会保存在runs/detect/exp文件夹里。
6. 常见问题与解决（新手避坑指南）
第一次尝试，很可能会遇到一些小麻烦。这里列出了最常见的问题和解决方法。
6.1 报错：ModuleNotFoundError: No module named 'torch'
问题：提示找不到名为torch的模块。原因：PyTorch（深度学习框架）没有安装成功，或者安装在了别的Python环境里。解决：
- 确保你是在
yolov5文件夹下打开的命令行。 - 重新执行安装命令：
pip install torch。如果网络慢，加上清华源：pip install torch -i https://pypi.tuna.tsinghua.edu.cn/simple
6.2 警告：CUDA not available，或者检测速度非常慢
问题：程序可以运行，但提示CUDA不可用，并且处理每张图片要好几秒。原因：你的电脑没有NVIDIA显卡，或者没有安装正确的显卡驱动和CUDA工具包。程序因此自动退回到CPU模式运行，速度慢是正常的。解决：
- 对于绝大多数新手：这完全没问题！CPU模式足以完成学习和测试。本文的教程在CPU上完全可以顺畅运行所有示例。
- 如果你有NVIDIA显卡并想加速：这属于进阶优化，需要单独安装CUDA和对应版本的PyTorch，步骤较为复杂。建议先熟悉CPU下的基本操作，后续有需要再专门研究GPU加速。
6.3 运行detect.py时没有任何反应，或者报错
问题：输入命令后，程序好像卡住了，或者直接报错退出。解决：
- 检查路径：再次确认命令行当前目录是
yolov5。你可以输入dir（Windows）或ls（macOS/Linux）查看当前文件夹是否有detect.py这个文件。 - 检查依赖：确保
pip install -r requirements.txt这条命令成功执行完毕，没有报红字错误。 - 查看完整错误信息：命令行里通常会有更详细的错误提示，仔细阅读最后几行，把错误信息复制下来搜索，通常都能找到答案。
7. 总结：你已经迈出了第一步
恭喜你！如果你按照上面的步骤走到了这里，那么你已经成功完成了以下几件了不起的事情：
- 搭建了完整的YOLO-V5运行环境，没有复杂的配置，没有可怕的错误。
- 让AI模型识别了示例图片中的物体，看到了计算机视觉最基础也最核心的应用。
- 学会了用命令行控制检测任务，包括处理图片、视频甚至摄像头流。
- 具备了继续探索的基础，知道了如何更换模型、调整参数。
目标检测的世界大门已经向你敞开。接下来你可以：
- 深入研究代码：打开
detect.py文件看看，了解整个流程是如何组织的。 - 尝试训练自己的模型：如果你有一些特定物体的图片（比如某种特定的零件、花卉），可以尝试教YOLO-V5认识它们。这需要更多的学习，但官方提供了详细的教程。
- 集成到你的项目中：将YOLO-V5的检测功能，作为一个模块，用到你的网站、应用程序或机器人项目里。
记住，今天最重要的不是学会了多少命令，而是你证明了这件事没有想象中那么难。每一个复杂的AI应用，都是从这样一次简单的python detect.py开始的。保持好奇，继续动手，你会发现更多乐趣。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
